Streetflow

La vigilancia policial predictiva se define como aplicaciones de métodos de predicción estadística que identifican los objetivos probables para prevenir eventos delictivos. Permite a los agentes de policía diseñar estrategias de patrulla eficaces con recursos limitados. La predicción de eventos delictivos se ha estudiado ampliamente utilizando varios tipos de información. El estado de la técnica generalmente ha explorado características estáticas relativas, incluida información histórica a largo plazo, información geográfica e información demográfica en la predicción de eventos delictivos. Esta información cambia lentamente con el tiempo. Por lo tanto, no puede capturar las variaciones a corto plazo en la ocurrencia de eventos delictivos. Si bien las actividades urbanas han argumentado que la diversidad de la población y la proporción de visitantes contribuyen a la seguridad de un área, cambian con frecuencia debido a la movilidad humana. En nuestro estudio, hemos explotado los datos de movilidad humana de cuadratura para representar la dinámica humana de una región durante un corto período de tiempo. Más tarde, ha verificado el impacto de las características dinámicas además de las características constantes relacionadas en la predicción de eventos delictivos a corto plazo de varios tipos. Hemos categorizado las obras existentes en cuatro tipos siguientes.

Predicción de eventos delictivos utilizando información histórica

Los métodos tradicionales para la predicción de eventos delictivos asumen que es más probable que los eventos delictivos ocurran en la vecindad de eventos delictivos pasados. Para una región determinada, los datos históricos de un cierto tipo de eventos delictivos se analizan para predecir la posibilidad de que ocurra un evento delictivo en un futuro próximo (por ejemplo,). Se han desarrollado varios modelos durante la última década, incluido el modelo de regresión, técnicas de aprendizaje automático como redes neuronales, máquina de vectores de soporte (SVM), un vecino más cercano (1NN), árbol de decisiones, bosque aleatorio y aprendizaje por conjuntos.

En el artículo Previsión de delitos mediante técnicas de minería de datos (link), se centran en la predicción de robos . La ciudad se divide mediante una cuadrícula. Para cada celda de la cuadrícula, el número de robos en el pasado se cuenta por mes. Ejecutan varios algoritmos clasificadores, incluidos 1NN, J48, SVM, Neural Network y Naive Bayes para predecir la posibilidad de robo en el próximo mes para cada celda de la cuadrícula según los datos históricos del crimen en esta celda y las celdas vecinas. Muestra que J48, SVM, Neural Network siempre superan a los demás y Neural Network a menudo funciona mejor que J48 y SVM. Pero este modelo depende únicamente de la historia pasada de eventos delictivos en las cercanías.

Otros ejemplos los podemos encontrar en el artículo Previsión de delitos utilizando un patrón espacio-temporal con aprendizaje conjunto (enlace) , los autores proponen un algoritmo Cluster-Confidence-Rate-Boosting (CCRBoost) que considera simultáneamente los factores espaciales y temporales, así como los tipos relevantes de eventos delictivos. Por ejemplo, un tipo de evento crimen, por ejemplo, robo , se utiliza como un indicador de la evento crimen relevante para predecir, por ejemplo, robo . Se utilizan diferentes indicadores de la misma ubicación en el mismo período de tiempo para formar un vector. Cada vector tiene una etiqueta de clase que informa si esta ubicación es un punto caliente para predecir el evento delictivo.

En Modelado de procesos puntuales auto estimulados del delito (enlace), los autores utilizan la teoría del método del proceso puntual de auto estimulados (self-exciting point process o SEPP) en la predicción de delitos, particularmente en la predicción de robos residenciales. SEPP es un enfoque popular para modelar la agrupación espacio-temporal de la actividad sísmica. Demuestran que se puede lograr un mejor rendimiento de predicción utilizando este modelo. Software comercial para la predicción de delitos como PredPol

Predicción de eventos delictivos utilizando información geográfica y demográfica

En artículo El modelado espacio-temporal para incidentes criminales (enlace), se utiliza un modelo aditivo general (GAM) para predecir la ubicación de futuros eventos delictivos con información temporal. Considera tres conjuntos de datos. El primero son los datos demográficos de la ciudad medidos en un grupo de bloques censales que incluyen la población, los valores medios de todas las casas, razas, matrimonios, etc. La segunda es la información geográfica de la ciudad, como la ubicación de carreteras, carreteras interestatales, pequeñas empresas y escuelas. El tercero es el conjunto de datos sobre delitos. Para construir el modelo de predicción del crimen, la ciudad se divide mediante una cuadrícula. Para cada cuadrícula en un mes, el predictor incluye las distancias más cortas entre el centroide de la cuadrícula y los puntos de referencia geográficos (como la distancia a las carreteras más cercanas), la información del censo extraída de los datos demográficos y la información temporal (es decir, el número de meses desde la última ocurrencia del crimen).
Una herramienta de predicción de delitos, por ejemplo, Hunchlab considera otra información con información histórica. Está diseñado por la firma GIS Azavea. Tiene en cuenta una gama más amplia de variables con una victimización casi repetida. Las variables incluyen estacionalidad, factores de riesgo sociales y ambientales. También el software Zirus.cl proporciona una gran ayuda al momento de recopilar grandes volumenes de información geoposicionada para el análisis posterior predictivo.